<![CDATA[Peramalan permintaan obat jangka pendek yang akurat sangat penting bagi apotek untuk menghindari kehabisan stok maupun penumpukan barang. Penelitian ini membandingkan dua pendekatan peramalan untuk memprediksi permintaan mingguan 20 produk obat, yaitu Prophet, model deret waktu aditif dengan tren piecewise-linear dan musiman mingguan, serta openai/gpt-oss-120b, sebuah large language model yang diakses melalui Groq API dengan skema prompting terstruktur. Prophet dikonfigurasi dengan 25 titik perubahan (changepoint), changepoint_range sebesar 0,8, dan komponen musiman mingguan berbasis deret Fourier orde 3, sedangkan gpt-oss-120b dijalankan dengan parameter temperature 0, jendela konteks rolling 28 hari terakhir, dan permintaan dikirim per-batch maksimal 10 produk. Kedua metode dilatih menggunakan 337 hari data transaksi penjualan harian dari satu apotek (Januari-Desember 2025) dan diuji pada empat minggu terakhir Desember 2025 dengan dataset dan pembagian data yang sama. Kinerja diukur menggunakan Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), dan Directional Statistic (DSTAT) yang dihitung dari 60 pasangan perbandingan arah antar-minggu. Hasil menunjukkan bahwa gpt-oss-120b memiliki galat keseluruhan lebih rendah pada MAE (5,35 vs 7,35), MAPE (26,32% vs 36,38%), dan RMSE (6,84 vs 9,57), yang berarti prediksi nilainya lebih dekat ke data aktual. Namun, Prophet memiliki DSTAT lebih tinggi (43,33% vs 28,33%), dengan 26 dari 60 arah perubahan yang sesuai data aktual dibandingkan 17 dari 60 pada gpt-oss-120b, yang berarti Prophet lebih baik dalam menangkap arah perubahan permintaan antar-minggu. Temuan ini menunjukkan adanya trade-off antara presisi nilai dan konsistensi arah, dengan implikasi praktis untuk mengombinasikan kedua pendekatan dalam perencanaan stok obat di apotek.]]>
Copyrights © 2026
